Des chercheurs militaires chinois exploitent des modèles d'IA américains pour entraîner leurs propres systèmes de défense

Selon une enquête de Reuters publiée le 31 juillet 2026, des chercheurs liés à l'armée chinoise ont systématiquement utilisé les sorties de modèles d'intelligence artificielle américains de pointe — notamment GPT-4 d'OpenAI et Claude d'Anthropic — pour entraîner leurs propres systèmes d'IA de défense. L'enquête, qui a examiné plus de 80 articles et brevets chinois, révèle l'utilisation répandue d'une technique appelée distillation de modèles .

Qu'est-ce que la distillation de modèles ?

La distillation fonctionne de la manière suivante : au lieu de copier le modèle lui-même, les chercheurs envoient des requêtes à un modèle « enseignant » puissant via son API publique, collectent les réponses (questions et réponses) et utilisent ces paires pour entraîner un modèle « étudiant » plus petit et moins coûteux. L'étudiant apprend ainsi à imiter le raisonnement et les capacités de l'enseignant . Pour des applications militaires, cela permet un déploiement sur du matériel local sans nécessiter l'infrastructure de calcul massive nécessaire à la construction de modèles de pointe à partir de zéro .

Applications militaires documentées

Les articles et brevets examinés par Reuters, en collaboration avec la Jamestown Foundation basée à Washington, montrent que la distillation est utilisée pour une gamme de systèmes d'IA liés à la défense :

• Systèmes de surveillance — IA pour la reconnaissance et l'analyse de renseignement
• Outils de cyber-guerre — systèmes d'attaque et de défense automatisés
• Opérations de drones et tactiques — essaims de drones autonomes et aides à la décision sur le champ de bataille
• Véhicules militaires — l'entreprise publique chinoise Norinco a déployé un véhicule propulsé par DeepSeek (lui-même construit via la distillation) pour des tâches de soutien au combat autonomes, capable d'atteindre 50 km/h

Un article de l'Unité 96904 de l'APL (Armée Populaire de Libération) décrit explicitement la distillation de modèles américains pour créer des versions « plus petites et plus sécurisées » adaptées aux applications de défense . Un autre article de l'Unité 96941 de l'APL — une unité de guerre électronique et de renseignement militaire à Pékin — décrit l'utilisation de GPT-3.5 d'OpenAI pour traiter du code source militaire sensible . Un article de 2024 de l'Université Nationale de Technologie de la Défense de l'APL utilise la distillation pour réduire la taille d'un modèle de traitement d'images destiné à être déployé sur du matériel militaire aux ressources limitées .

Comment la technique accélère l'IA de défense chinoise à moindre coût

L'avantage stratégique principal de la distillation est économique. Entraîner un modèle d'IA de pointe à partir de zéro coûte des milliards de dollars et nécessite des années de recherche et développement, des ensembles de données massifs et l'accès à des puces semi-conductrices avancées. La distillation permet aux chercheurs chinois de contourner la quasi-totalité de cet investissement .

En interrogeant les modèles de pointe via API — en créant des comptes frauduleux et en utilisant des réseaux de proxy pour contourner les limites de débit — les développeurs chinois peuvent extraire les mêmes capacités à une fraction du coût. L'enquête d'Anthropic a identifié plus de 16 millions d'échanges générés via environ 24 000 comptes frauduleux ciblant les capacités de raisonnement agentique, d'utilisation d'outils et de codage de Claude. Le développeur chinois MiniMax était à lui seul responsable de plus de 13 millions de ces échanges .

Accusations de vol à l'échelle industrielle et réponse du gouvernement américain

Ces preuves ont déclenché une série d'accusations et de réponses politiques :

• Février 2026 : OpenAI, Anthropic et Google ont chacun publié des preuves de campagnes de distillation coordonnées par les entreprises chinoises DeepSeek, Moonshot AI et MiniMax . Anthropic a décrit ces opérations comme des « attaques de distillation » délibérées .
• Avril 2026 : Une audition du comité de la Chambre des représentants des États-Unis a examiné la note d'OpenAI détaillant des « pipelines de distillation sophistiqués à plusieurs étapes » utilisant plusieurs comptes API, des réseaux proxy et des imitations comportementales pour éviter la détection .
• Juin 2026 : Anthropic a accusé Alibaba de la plus grande violation connue de son modèle Claude, une campagne de distillation qui a duré du 22 avril au 5 juin .
• Juillet 2026 : Le secrétaire au Trésor américain, Scott Bessent, a averti de possibles sanctions après avoir accusé le laboratoire chinois Moonshot de distiller le modèle avancé Fable 5 d'Anthropic . Le Bureau de l'industrie et de la sécurité du département du Commerce enquête également pour savoir si des entreprises chinoises accèdent illégalement à des puces américaines avancées .

Limites critiques de la distillation

Malgré son efficacité comme raccourci, la distillation de modèles comporte des limitations techniques inhérentes qui importent pour les applications militaires :

• Plafond de connaissances : un modèle étudiant distillé ne peut généralement pas dépasser les capacités du modèle enseignant qu'il copie. Il hérite des forces de l'enseignant mais aussi de ses angles morts et de ses schémas d'erreur .
• Dégradation à chaque itération : chaque cycle de distillation tend à perdre en fidélité. Le raisonnement nuancé, les connaissances rares et l'alignement subtil sur la sécurité se dégradent à chaque génération .
• Érosion de l'alignement sécuritaire : c'est la limitation la plus préoccupante pour un usage militaire. La recherche universitaire montre que la distillation par étiquettes douces peut réduire les garde-fous de sécurité des modèles étudiants jusqu'à 50 % par rapport à l'enseignant original, tout en préservant les performances . Les modèles distillés manquent souvent des comportements de refus robustes et de l'entraînement à l'innocuité des modèles de pointe . Comme le note Anthropic, « les modèles distillés illicitement manquent de garanties nécessaires, créant des risques significatifs pour la sécurité nationale » .
• Limites des contre-mesures : les défenses actuelles — perturbation des sorties, empoisonnement des données, limitation de débit — restent largement inefficaces contre des attaquants déterminés utilisant des pipelines multi-étapes et des techniques d'extraction distribuée .

Risques sécuritaires et escalade de la course à l'armement en IA

La combinaison du vol de capacités et de la dégradation de la sécurité crée une dynamique dangereuse :

• Prolifération d'IA non sécurisées : les modèles distillés dépourvus d'alignement sécuritaire peuvent être déployés à des fins militaires et de surveillance que les entreprises américaines interdisent explicitement dans leurs conditions d'utilisation .
• Perte de l'avantage technologique américain : la distillation permet aux adversaires de sauter des années de R&D propriétaire, érodant l'avance des États-Unis dans les capacités d'IA de pointe .
• Vol difficile à détecter : les attaques par distillation à partir d'API en boîte noire sont difficiles à distinguer d'une utilisation intensive normale de l'API, ce qui rend l'attribution et l'application des mesures complexes .
• Escalade des contre-mesures : les deux camps déploient des contre-mesures de plus en plus agressives. En mars 2026, Anthropic a intégré un code de suivi dans Claude Code pour identifier les utilisateurs chinois . Le risque d'une spirale sécuritaire — où chaque camp traite l'activité d'IA de l'autre comme hostile — continue de croître .

Implication plus large pour le découplage technologique entre les États-Unis et la Chine

La guerre de distillation en cours accélère le découplage entre les États-Unis et la Chine dans l'IA sur plusieurs fronts . Des contrôles d'exportation plus stricts sur les puces avancées, des restrictions d'accès aux API, des exigences KYC pour les comptes développeurs et d'éventuelles sanctions financières sont tous sur la table .

Le risque stratégique central est clair : la distillation permet à l'armée chinoise de parasiter efficacement l'investissement américain dans l'IA pour des applications de défense à une fraction du coût, tandis que la dégradation de la sécurité inhérente au processus pourrait produire des systèmes d'IA militaires moins contraints et plus dangereux.